本文主要介绍NumPy的基础知识，NumPy是一个功能强大的Python库，允许更高级的数据操作和数学计算。
NumPy，来源自两个单词：Numerical和Python，是一个强大的Python库，主要用于多维数组的执行计算。它非常重视数组，允许你在Python中进行向量和矩阵计算，其许多底层函数是由C编写的。NumPy提供了大量的库函数和操作，可以轻松地进行数值计算，这类数字计算广泛用于以下任务：
这里使用pip的方式进行安装。
pip3 install numpyNumPy库的核心是数组对象或ndarray对象（n维数组）。使用NumPy数组，可以进行逻辑、统计和傅里叶变换等运算。创建NumPy数组有以下三种不同方式：
Nump提供了用于创建数组的内置函数。
首先，创建一维数组或rank为1的数组。arange是一种广泛使用的函数，用于快速创建数组：将数值num传入arange函数，将会创建一个值范围为0到num的数组。
import Numpy as np
a = np.arange(20)
a输出如下：
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16,
17, 18, 19])可以是用shape属性验证此数组的维度：
In [11]: a.shape
Out[11]: (20,)如果只是arange函数，它将输出一个一维数组，要使其成为一个二维数组，可以使用reshape函数链接其输出：
# 首先创建20个整数，然后将数组转换成4行5列的二维数组
In [12]: a = np.arange(20).reshape(4,5)
In [13]: a
Out[13]:
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19]])
# 检查下数组的维度
In [14]: a.shape
Out[14]: (4, 5)要创建三维数组，那么需要为reshape函数指定3个参数。
# 注意，此时数组中元素的数量(27)必须是尺寸(3,3,3)的乘积
In [15]: a = np.arange(27).reshape(3,3,3)
In [16]: a
Out[16]:
array([[[ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8]],
[[ 9, 10, 11],
[12, 13, 14],
[15, 16, 17]],
[[18, 19, 20],
[21, 22, 23],
[24, 25, 26]]])
# 检查数组的维度
In [17]: a.shape
Out[17]: (3, 3, 3)除了arange函数之外，还可以使用其他有用的函数，例如zeros和ones，来快速创建和填充数组。
使用zeros函数创建一个填充为零的数组，其参数表示行数和列数（或其维数）。
In [18]: np.zeros((2,4))
Out[18]:
array([[0., 0., 0., 0.],
[0., 0., 0., 0.]])使用ones函数创建一个填充为1的数组：
In [19]: np.ones((3,4))
Out[19]:
array([[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]])empty函数创建一个数组，其初始内容是随机的，取决于内存的状态：
In [20]: np.empty((5,6))
Out[20]:
array([[-2.31584178e+077, -2.00389912e+000, 2.30561760e-314,
2.30789649e-314, 2.30702697e-314, 2.30772173e-314],
[ 2.30796369e-314, 2.23928337e-314, 2.23928347e-314,
2.30792536e-314, 2.23798476e-314, 2.30569256e-314],
[-2.31584178e+077, 3.11108964e+231, 4.44659081e-323,
0.00000000e+000, -0.00000000e+000, 0.00000000e+000],
[ 5.45352918e-312, 4.94065646e-324, 4.94065646e-324,
0.00000000e+000, 1.77229088e-310, 2.30690648e-314],
[ 0.00000000e+000, 0.00000000e+000, 0.00000000e+000,
2.30690648e-314, 2.30690648e-314, 2.08600674e-308]])full函数创建一个填充给定值得n*n数组：
In [21]: np.full((5,5),6)
Out[21]:
array([[6, 6, 6, 6, 6],
[6, 6, 6, 6, 6],
[6, 6, 6, 6, 6],
[6, 6, 6, 6, 6],
[6, 6, 6, 6, 6]])eye函数创建一个n*n矩阵，其对角线为1，其余为0：
In [22]: np.eye(3,3)
Out[22]:
array([[1., 0., 0.],
[0., 1., 0.],
[0., 0., 1.]])linspace函数在指定的时间间隔内返回均匀间隔的数组：
In [24]: np.linspace(0,20,num=5)
Out[24]: array([ 0., 5., 10., 15., 20.])除了使用NumPy函数之外，还可以直接从Python列表创建数组：将Python列表传递给数组函数以创建NumPy数组：
In [25]: a = np.array([1,2,3])
In [26]: a
Out[26]: array([1, 2, 3])还可以创建Python列表并传递其变量名以创建NumPy数组：
In [27]: l = [4,5,6]
In [28]: l
Out[28]: [4, 5, 6]
In [29]: a = np.array(l)
In [30]: a
Out[30]: array([4, 5, 6])要创建二维数组，可以将一系列列表传递给数组函数：
In [31]: a = np.array([(1,2,3),(4,5,6)])
In [32]: a
Out[32]:
array([[1, 2, 3],
[4, 5, 6]])
In [33]: a.shape
Out[33]: (2, 3)除了上述的两种方式之外，还可以使用特殊库函数来创建数组。例如，要创建一个填充0到1之间随机值得数组，可以使用rando函数，这对于需要随机状态才能开始的问题特别有用。
In [34]: np.random.random((2,4))
Out[34]:
array([[0.41392644, 0.21315258, 0.43934646, 0.46239945],
[0.84670981, 0.81019245, 0.57370054, 0.74415838]])NumPy提供了几种索引数组的方法。
In [1]: import numpy as np
In [2]: a = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])
In [3]: b = a[:2,1:3]
In [4]: b
Out[4]:
array([[2, 3],
[6, 7]])
In [6]: a[0,1]
Out[6]: 2
In [7]: b[0,0] = 77
In [8]: a[0,1]
Out[8]: 77还可以将整数索引与切片索引混合使用，但这样会产生比原始数组更低级别的数组。
整数数组索引：使用切片索引到numpy数组时，生成的数组始终是原始数组的子数组；使用整数数组索引允许你使用另一个数组中的数据构造任意数组。整数数组索引可以从矩阵的每一行中选择或改变一个元素。
布尔数组索引：布尔数组索引允许你选择数组的任意元素。通常，这种类型的索引用于选择满足某些条件的数组元素。
每个numpy数组都是相同类型元素的网格。NumP提供了一组可用于构造数组的大量数值数据类型：NumPy在创建数组是尝试猜测数据类型，到构造数组的函数通常还包含一个可选参数来显示指定数据类型。
In [9]: a = np.array([1,2])
In [10]: a.dtype
Out[10]: dtype('int64')
In [11]: a = np.array([1.0,2.0])
In [12]: a.dtype
Out[12]: dtype('float64')
In [13]: a = np.array([1,2],dtype=np.int64)
In [14]: a.dtype
Out[14]: dtype('int64')基本数学函数在数组上以属性的方式运行，既可以作为运算符重载，也可以作为numpy模块的函数：
In [16]: x = np.array([[1,2],[3,4]],dtype=np.float64)
In [17]: y = np.array([[5,6],[7,8]],dtype=np.float64)
In [18]: x+y
Out[18]:
array([[ 6., 8.],
[10., 12.]])
In [19]: np.add(x,y)
Out[19]:
array([[ 6., 8.],
[10., 12.]])
In [20]: x-y
Out[20]:
array([[-4., -4.],
[-4., -4.]])
In [21]: np.subtract(x,y)
Out[21]:
array([[-4., -4.],
[-4., -4.]])
# * 是元素乘法，不是矩阵乘法
In [22]: x*y
Out[22]:
array([[ 5., 12.],
[21., 32.]])
In [23]: np.multiply(x,y)
Out[23]:
array([[ 5., 12.],
[21., 32.]])
In [24]: x/y
Out[24]:
array([[0.2 , 0.33333333],
[0.42857143, 0.5 ]])
In [25]: np.divide(x,y)
Out[25]:
array([[0.2 , 0.33333333],
[0.42857143, 0.5 ]])
In [26]: np.sqrt(x)
Out[26]:
array([[1. , 1.41421356],
[1.73205081, 2. ]])
# 使用 dot函数计算向量的内积。dot既可以作为numpy模块中的函数，也可作为数组对象的实例方法
In [27]: x.dot(y)
Out[27]:
array([[19., 22.],
[43., 50.]])
In [28]: np.dot(x,y)
Out[28]:
array([[19., 22.],
[43., 50.]])NumPy为在数组上执行计算提供了许多有用的函数，其中最有用的函数之一是SUM：
In [30]: x = np.array([[1,2],[3,4]])
In [31]: np.sum(x)
Out[31]: 10
In [32]: np.sum(x,axis=0)
Out[32]: array([4, 6])
In [33]: np.sum(x,axis=1)
Out[33]: array([3, 7])除了使用数组计算数学函数外，我们经常需要对数组中的数据进行整形或其他操作，这种操作的最简单的例子就是转置一个矩阵。要转置一个矩阵，只需要使用一个数组对象的T属性：
In [30]: x = np.array([[1,2],[3,4]])
In [34]: x
Out[34]:
array([[1, 2],
[3, 4]])
In [35]: x.T
Out[35]:
array([[1, 3],
[2, 4]])除了上面提到的函数外，NumPy还提供了许多操作数组的函数，你可以在这篇文档中看到完整的列表。
广播是一种强大的机制，它允许numpy在执行算术运算时使用不同形状的数组。
将两个数组一起广播遵循以下规则：
原文：https://www.cnblogs.com/lianshuiwuyi/p/11079120.html